Показати скорочену інформацію

Порівняльний аналіз функцій втрат для регресії координат ключових точок обличчя на основі архітектури ResNet

dc.contributor.authorТарновський, А. М.uk
dc.contributor.authorЗахарченко, С. М.uk
dc.contributor.authorTarnovskyi, A. M.en
dc.contributor.authorZakharchenko, S. M.en
dc.date.accessioned2026-09-03T10:38:47Z
dc.date.available2026-09-03T10:38:47Z
dc.date.issued2026
dc.identifier.citationТарновський А. М., Захарченко С. М. Порівняльний аналіз функцій втрат для регресії координат ключових точок обличчя на основі архітектури ResNet // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30067.uk
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/53279
dc.description.abstractДосліджено вплив функції втрат на точність регресії координат ключових точок обличчя з використанням архітектури ResNet-34 та датасету WFLW. Здійснено порівняльний аналіз трьох типів функцій втрат: середньоквадратичної помилки (MSE), Huber loss та спеціалізованої Wing loss. Оцінка точності проводилася за метрикою нормованої середньої похибки (NME). Результати продемонстрували перевагу використання функцій втрат Wing loss для задач локалізації ключових точок обличчя через забезпечення більшої точності регресії.uk
dc.description.abstractThe influence of the loss function on the accuracy of the regression of the coordinates of key points of the face using the ResNet-34 architecture and WFLW dataset was studied. A comparative analysis of three types of loss functions was performed: mean square error (MSE), Huber loss, and specialized Wing loss. The accuracy was assessed using the normalized mean error (NME) metric. The results demonstrated the advantage of using Wing loss functions for the localization of key points of the face due to the provision of greater regression accuracy.en
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofМатеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р.uk
dc.relation.urihttps://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30067
dc.subjectкомп’ютерний зірuk
dc.subjectключові точки обличчяuk
dc.subjectнейронні мережіuk
dc.subjectResNeten
dc.subjectфункція втратAbstractThe influence of the loss function on the accuracy of the regression of the coordinates of key points of the face usingthe ResNet-34 architecture and WFLW dataset was studied A comparative analysis of three types of loss functions wasen
dc.subjectcomputer visionen
dc.subjectkey points of the faceen
dc.subjectneural networksen
dc.subjectResNeten
dc.subjectloss functionВступДетектування ключових точок обличчя є важливим етапом при розв’язку завдань комп'ютерногозору у застосункахuk
dc.subjectпов’язаних з розпізнаванням обличьuk
dc.subjectаналізом виразу обличчяuk
dc.subject3D-реконструкцієюобличчя тощо [1] Сучасні підходи до виявлення ключових точок обличчя базуються на методахuk
dc.titleПорівняльний аналіз функцій втрат для регресії координат ключових точок обличчя на основі архітектури ResNetuk
dc.typeThesis
dc.identifier.udc004.85
dc.relation.referencesColaco S. and Han D. S. Facial Keypoint Detection with Convolutional Neural Networks // International Conference on Artificial Intelligence in Information and Communication (ICAIIC), Fukuoka, Japan, 2020, pp. 671-674, doi: 10.1109/ICAIIC48513.2020.9065279.en
dc.relation.referencesHaq M. U., Sethi M. A. J., Ahmad S. et al. A Comprehensive Review of Face Detection/Recognition Algorithms and Competitive Datasets to Optimize Machine Vision // Computers, Materials & Continua, 2025, vol. 84, no. 1, pp. 1–24. doi: 10.32604/cmc.2025.063341en
dc.relation.referencesDwivedi P. and Sharan B. Deep Inception Based Convolutional Neural Network Model for Facial Key-Points Detection // International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida, India, 2022, pp. 792-799. doi: 10.1109/ICCCIS56430.2022.10037639.en
dc.relation.referencesVerma S., Singhal P., Gupta R. et al. Facial Keypoint Detection using a Modified Convolutional Neural Network with RESNET50 // 2nd International Conference on Advancements and Key Challenges in Green Energy and Computing (AKGEC), Ghaziabad, India, 2024, pp. 1-5, doi: 10.1109/AKGEC62572.2024.10868470.en
dc.relation.referencesTerven J., Cordova-Esparza DM., Romero-Gonzlez JA., et al. A comprehensive survey of loss functions and metrics in deep learning. Artif Intell Rev, 2025, vol. 58, article number 195. doi.org/10.1007/s10462-025-11198-7.en
dc.relation.referencesFeng,ZH., Kittler J., Awais M. et al. Rectified Wing Loss for Efficient and Robust Facial Landmark Localisation with Convolutional Neural Networks // International Journal of Computer Vision, 2020, vol. 128, рр. 2126–2145. doi: 10.1007/s11263-01901275-0.en
dc.relation.referencesKhabarlak K., Koriashkina L. Fast Facial Landmark Detection and Applications: A Survey // Journal of Computer Science & Technology, 2022, vol. 22(1), рр. 12–41. doi: 10.24215/16666038.22.e02.en


Файли в цьому документі

Thumbnail
Ім'я:
30067.pdf
Розмір:
318.7Kb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію